SIME/Data/fragment/README.md

Cell 论文筛选数据

数据输入：原始片段库

Frags-Enamine-18M.csv：Enamine REAL数据库的18M片段（需提取SMILES）。 GDB11-27M.csv：GDB-11数据库的27M片段（需提取SMILES）。

下载地址：Zenodo link

原文筛选逻辑（淋病奈瑟菌靶向）

（1）数据输入：原始片段库 文件来源： Frags-Enamine-18M.csv：Enamine REAL数据库的18M片段（需提取SMILES）。 GDB11-27M.csv：GDB-11数据库的27M片段（需提取SMILES）。 （2）模型预测：Chemprop预训练模型 模型用途： 使用预训练的Chemprop模型（针对淋病奈瑟菌或金黄色葡萄球菌）预测片段的抗菌活性得分（范围0-1）。 模型合理性： Chemprop模型基于图神经网络（GNN），已在大规模化合物库（如Broad Institute的38,765个化合物）上训练，对结构-活性关系有较高预测精度。 论文验证了模型对已知抗生素片段的预测能力（见Figure S1A），证明其可靠性。 （3）多维度过滤条件 筛选逻辑包含以下条件（需代码实现）：

1.活性阈值： GDB库片段预测得分>0.05； Enamine库片段预测得分>0.1（因合成性更佳）。 2.毒性过滤： 使用预训练的HepG2、HSkMC、IMR-90细胞毒性模型，剔除预测得分>0.5的片段。 3.结构过滤： 排除含PAINS/Brenk子结构的片段（易导致假阳性或代谢不稳定）。 与已知559个抗生素的Tanimoto相似度<0.5（确保结构新颖性）。 （4）结果输出 最终获得1,156,945个片段（淋病奈瑟菌靶向），存储于补充数据或Zenodo仓库中。

抗菌预测模型输出格式字段解释

完整输出字段解释表

基础信息

字段名	数据类型	来源	计算方法	含义说明
SMILES	字符串	输入数据	直接复制	分子的 SMILES 结构表示
chem_id	字符串	输入数据	直接复制或自动生成	化合物的唯一标识符（如 "mol1"）

聚合预测结果（每个分子一组值）

字段名	数据类型	来源	计算方法	含义说明
apscore_total	浮点数	聚合计算	log(gmean(所有40个菌株的预测概率))	总体抗菌潜力分数：所有菌株预测概率的几何平均数的对数。值越高表示抗菌活性越强，负值表示整体抑制概率较低
apscore_gnegative	浮点数	聚合计算	log(gmean(革兰阴性菌株的预测概率))	革兰阴性菌抗菌潜力分数：仅针对革兰阴性菌株（23种）计算的抗菌分数
apscore_gpositive	浮点数	聚合计算	log(gmean(革兰阳性菌株的预测概率))	革兰阳性菌抗菌潜力分数：仅针对革兰阳性菌株（17种）计算的抗菌分数
ginhib_total	整数	聚合计算	sum(所有菌株的二值化预测)	总抑制菌株数：预测被抑制的菌株总数（概率 ≥ 0.04374 的菌株数量），范围 0-40
ginhib_gnegative	整数	聚合计算	sum(革兰阴性菌株的二值化预测)	革兰阴性菌抑制数：预测被抑制的革兰阴性菌株数量，范围 0-23
ginhib_gpositive	整数	聚合计算	sum(革兰阳性菌株的二值化预测)	革兰阳性菌抑制数：预测被抑制的革兰阳性菌株数量，范围 0-17
broad_spectrum	整数 (0/1)	聚合计算	1 if ginhib_total >= 10 else 0	广谱抗菌标志：如果抑制菌株数 ≥ 10，则判定为广谱抗菌药物（1），否则为 0

菌株级别预测结果（每个分子 40 行，每行对应一个菌株）

字段名	数据类型	来源	计算方法	含义说明
pred_id	字符串	组合生成	chem_id + ":" + strain_name	预测组合ID：格式为 "化合物ID:菌株名称"，如 "mol1:Akkermansia muciniphila (NT5021)"
strain_name	字符串	菌株元数据	从 40 个菌株列表中提取	菌株名称：包含菌株学名和 NT 编号，如 "Akkermansia muciniphila (NT5021)"
antimicrobial_predictive_probability	浮点数	XGBoost 预测	model.predict_proba(X)[:, 1]	抗菌预测概率：XGBoost 模型预测该化合物抑制该菌株生长的概率，范围 0-1。这是模型的原始输出概率
no_growth_probability	浮点数	XGBoost 预测	model.predict_proba(X)[:, 0]	不抑制概率：预测该化合物不抑制该菌株生长的概率，等于 1 - antimicrobial_predictive_probability
growth_inhibition	整数 (0/1)	阈值二值化	1 if antimicrobial_predictive_probability >= 0.04374 else 0	生长抑制标签：二值化的抑制结果。1 表示预测抑制，0 表示预测不抑制。阈值 0.04374 是通过验证集优化得到的
gram_stain	字符串	菌株元数据	从 strain_info_SF2.xlsx 中查找	革兰染色类型：该菌株的革兰染色分类，值为 "negative"（革兰阴性）或 "positive"（革兰阳性）

---

数据结构说明

输出格式特点

• 前 8 列（SMILES 到 broad_spectrum）：每个分子的聚合结果，这些值在该分子的 40 行中保持不变
• 后 6 列（pred_id 到 gram_stain）：每个分子-菌株对的具体预测，每行对应不同的菌株

示例数据

SMILES,chem_id,apscore_total,apscore_gnegative,apscore_gpositive,ginhib_total,ginhib_gnegative,ginhib_gpositive,broad_spectrum,pred_id,strain_name,antimicrobial_predictive_probability,no_growth_probability,growth_inhibition,gram_stain
CCO,mol1,-9.93,-10.17,-9.74,0,0,0,0,mol1:Akkermansia muciniphila (NT5021),Akkermansia muciniphila (NT5021),0.000102,0.999898,0,negative
CCO,mol1,-9.93,-10.17,-9.74,0,0,0,0,mol1:Bacteroides caccae (NT5050),Bacteroides caccae (NT5050),0.000155,0.999845,0,negative
...（共 40 行，前 8 列相同，后 6 列不同）

---

关键说明

项目	说明
数据量	每个输入分子会生成 40 行输出（对应 40 个菌株），因此总行数 = 输入分子数 × 40
阈值优化	默认阈值 0.04374 是通过最大化验证集 F1 分数得到的最优值
革兰染色分布	40 个菌株中，23 个为革兰阴性菌，17 个为革兰阳性菌
概率解释	antimicrobial_predictive_probability 越接近 1，表示模型越确信该化合物会抑制该菌株
应用场景	这种格式特别适合强化学习场景，可以直接提取 40 维的预测概率向量作为状态表示